本文介绍了一个采用Flask + uwsgi + nginx 部署TensorFlow应用的方法。以此可以搭建一个简单的机器学习云服务器

一. 创建虚拟环境

由于本人安装的电脑带有显卡，所以安装了2个版本的tensorflow，一个带gpu，一个不带gpu。不同版本的tensorflow使用虚拟环境进行分割

pip install virtualenv
mkdir tf_gpu
virtualenv tf_gpu –system-site-packages
mkdir tf_cpu
virtualenv tf_cpu –system-site-packages
注：添加 –system-site-packages 是将系统site-packages里的包 包含进去; 虚拟目录的位置按需设

二.tensorflow安装

tensorflow的安装可以参考官网上的连接通过pip安装或者自己编译

https://www.tensorflow.org/install/pip 或 https://www.tensorflow.org/install/source

三.nginx,flask,uwsgi,supervisor安装

yum install nginx
pip install flask uwsgi supervisor
注：flask是一个轻量级的web服务组件，用来做TensorFlow的接口。
uwsgi用来部署flask。
nginx是uwgsi的前端，后续可以做负载均衡等配置
supervisor用来启动uwsgi

四.flask,uwsgi, supervisor ,nginx配置

假设训练好的模型文件为”ocr.pb”
flask导入tensorflow的python 代码如下

from flask import Flask,request 
import tensorflow as tf 
from tensorflow.core.framework 
import graph_pb2 
import numpy as np 
input_graph = "ocr.pb"//pb文件位置 
input_graph_def = graph_pb2.GraphDef() 
mode = "rb" 
with tf.gfile.FastGFile(input_graph, mode) as f:
    input_graph_def.ParseFromString(f.read())//读取pb文件 
    _ = tf.import_graph_def(input_graph_def,name="")//导入pb文件 
    sess = tf.Session() init = tf.global_variables_initializer() 
    sess.run(init)//初始化session 
    //模型pb文件的输入/输出在建立pb时给出，具体方法可以参考 
    //https://www.programcreek.com/python/example/104504/tensorflow.python.framework.graph_util.convert_variables_to_constants 
    //导出pb文件的核心函数是graph_util.convert_variables_to_constants 
    input_x = sess.graph.get_tensor_by_name("cv-input:0")//模型的入口 
    out_softmax = sess.graph.get_tensor_by_name("cv-output:0")//模型的输出口 
app = Flask(__name__) 
@app.route('/') 
def hello_world()://定义根目录的回复，用来测试web服务是否启动，可以忽略  
    return 'hello_world' 
@app.route('/analysis_ocr', methods=['GET', 'POST'])//定义模型预测的入口 
def analysis():  
    if request.method == 'POST':
    try:
        decoded_image = np.frombuffer(request.stream.read(),dtype = np.float32).reshape(10,1,32,32)//通过post接收客户端传来的图片，这个demo的输入为10张单通道 32X32 大小的图片
        _result = sess.run([out_softmax],feed_dict={input_x:decoded_image})
        return str(_result[0])//返回预测出的分类
    except:
        return "[-1]" 
if __name__ == '__main__':
     app.run()

uwsgi ini配置文件

[uwsgi] 
socket=/run/uwsgi/u_madian.sock //使用unix socket通信，centos7貌似不能定义在/tmp目录 
chown-socket = nginx:nginx //前端用的是nginx，所以用户定义为nginx 
chmod-socket = 664 
chdir = /home/vision/uwsgi_project/madian //这样使用在python文件中使用相对路径来载入pb文件 
wsgi-file=/home/vision/uwsgi_project/madian/flask_madian.py //要运行的pb文件位置 
virtualenv = /home/vision/python_env/tf_gpu //使用的python虚拟环境，这个demo定义使用前文安装的gpu版本的tensorflow 
enable-threads = true 
callable=app //python文件中的 app = Flask(__name__) flask具体的使用可以参考其官网 
processes=1 //测试中发现 多线程启动会导致预测失败 原因没有深究

supervisor 配置
编辑supervisor的配置文件
vi /etc/supervisord.conf
在文件最后添加

[program:madian] ;command后为uwsgi启动命令 
command = /usr/local/bin/uwsgi --ini /home/vision/uwsgi_project/madian/u_madian.ini 
;环境变量中添加了cuda相关的LD_LIBRARY_PATH 
environment=HOME="/home/vision",LD_LIBRARY_PATH=":/usr/local/extras/CUPTI/lib64:/usr/lib/TensorRT-5.0.2.6/lib:/usr/local/cuda/lib64" 
autostart = true 
autorestart = true 
startretries = 3 
user = root 
stdout_logfile=/home/vision/uwsgi_project/madian/logs/out.log 
stderr_logfile=/home/vision/uwsgi_project/madian/logs/err.log 
stderr_logfile_maxbytes=10MB 
stderr_logfile_backups=10 
stopsignal=QUIT

nginx配置
新建一个文件 /etc/nginx/conf.d/uwsgi.conf

server {
         listen       7000;
         server_name  _;
         root         /usr/share/nginx/html;
         index index.php index.html;
         location / {
			try_files $uri @app;
         }
         location @app {
			include uwsgi_params;
			uwsgi_pass unix:/run/uwsgi/u_madian.sock;
         }
}

5.各服务启动

supervisor ,nginx

supervisor启动
systemctl start supervisord
systemctl enable supervisord

nginx启动
systemctl start nginx
systemctl enable nginx

6.测试

通过网址，http://127.0.0.1:7000/analysis_ocr 将图片二进制流post到web服务器端，则会返回具体的分类结果